典型文献
基于自注意力特征融合组卷积神经网络的三维点云语义分割
文献摘要：
针对现有算法忽略点云数据全局单点特征和局部几何特征的深层关系,导致捕获的局部几何信息缺乏鉴别性且难以有效识别复杂形状的问题,提出基于自注意力特征融合组卷积神经网络的三维点云语义分割算法.首先,设计轻量化网络框架的代理点图卷积提取点云局部几何特征,并加入组卷积操作减少计算量和复杂度,以较少的冗余信息增强特征的丰富性;其次,通过Transformer模块进行不同分支间特征信息的交流,使全局特征和局部几何特征相互补偿,增强特征的完备性;然后,将点云底层语义特征与原始点云融合以扩大局部邻域感受野,获得高级上下文语义信息;最后,将特征输入到分割模块完成细粒度语义分割.实验结果表明,该算法在S3DIS数据集和SemanticKITTI数据集上的分割精度分别达到79.3％和56.6％,能够提取三维点云的关键特征信息,网络参数量较少且具有较高的语义分割鲁棒性.
文献关键词：
三维点云;语义分割;图卷积;组卷积
中图分类号：
作者姓名：
杨军;李博赞
作者机构：
兰州交通大学测绘与地理信息学院,甘肃兰州730070;兰州交通大学自动化与电气工程学院,甘肃兰州730070
文献出处：
引用格式：
[1]杨军;李博赞-.基于自注意力特征融合组卷积神经网络的三维点云语义分割)[J].光学精密工程,2022(07):840-853
A类：
代理点
B类：
自注意力,注意力特征融合,组卷积,三维点云,点云语义分割,点云数据,单点,点特征,几何特征,几何信息,复杂形状,分割算法,轻量化网络,网络框架,图卷积,取点,卷积操作,减少计算量,冗余信息,信息增强,丰富性,Transformer,特征信息,全局特征,完备性,语义特征,始点,点云融合,局部邻域,感受野,上下文语义,语义信息,细粒度语义,S3DIS,SemanticKITTI,关键特征,网络参数,参数量
AB值：
0.365274
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
